不是教程,是一份 90 天的实际操盘日志。从冷启动 30 客户、到月产 1247 条视频,踩过的坑和提炼出的 8 个工作流模板,这次全开。

一、背景:为什么我们要做这件事

我们公司 2026 年 3 月接了一波单子,30 家品牌客户,合同都签的"每周 5 条带货短视频"。

签完才反应过来:30 家 × 每周 5 条 = 每周 150 条,每月 600 条。

按之前的拍摄+剪辑流程,4 个内容组成员把人累瘫每月也只能出 200 条。

负责人拍着桌子:“必须 AI 化,2 周内出方案。”

那 2 周把市面上能找到的 AI 工作台都试了一遍。最后选了三千AI 智能体源码方案,部署在公司服务器,给 30 客户开子账号。

90 天后回头看,数据很扎实:

指标	第 0 天	第 90 天
月度视频产量	200 条	1247 条
单条平均生产时长	3 小时	8 分钟
内容组人数	4 人	4 人(同样的人)

这篇文章把 90 天里踩过的坑和提炼出的 8 个工作流 SOP 全写出来,方便后来人少走弯路。

二、技术选型(为什么是三千AI 智能体源码)

简短带过,详细横评我前面写过另一篇可以参考。三个理由:

1. 端到端 Agent — 商品图丢进去 60 秒出片,不是工作流拼接
2. 多客户多租户后台 — 后台带多租户配置,30 客户可以独立账号独立配置
3. 源码买断 — 部署在公司服务器,数据不外泄

三、部署:4c8g 服务器 + 一个工程师 + 6 小时

部署文档很全,Docker Compose 一键起。用了一台 4c8g 的 ECS,跑前后端 + PostgreSQL + Redis + 队列 + 阿里云 OSS 文件存储。

踩过的坑:

1. pgvector 装错版本 — README 里 PostgreSQL 17 + pgvector 0.7.0,装成 PG 15 + pgvector 0.5.0,启动报 dimension mismatch。卸了重装就好
2. 阿里云 OSS Region 忘填 — 默认 cn-hangzhou,Bucket 在 cn-beijing,生成的视频上传失败。改一行 env 搞定
3. 数字人形象库默认空 — 部署完发现数字人列表是空的,得手动从 admin 后台导入官方提供的形象库 zip 包

整体部署到上线 6 小时,中间还吃了顿饭。

四、第 1-30 天:冷启动期的 3 个 SOP

刚上线的第一个月最难。客户不信"AI 出片",我们要给他们看数据。

SOP 1:首 7 天试投流闭环

第 1 天:接 SKU,生成 5 条试样片
第 2-3 天:客户审样 → 反馈调整
第 4 天:5 条片子分别投千川 50 元试探
第 5-6 天:收集 ROAS、完播率、CTR 数据
第 7 天:出报表给客户看"哪条片子 ROAS 最高,为什么"

90% 的客户看完第 7 天的报表就续签了。关键不是 AI 出片快,是数据闭环让客户信服。

SOP 2:商品图标准化模板

很多客户拿来的商品图质量参差不齐。背景脏、模特图缺、白底图斜着。我们给所有客户发了一个商品图标准化清单:

- 商品白底图(1080×1080,商品占画面 60-70%)
- 模特上身图(可选,不超过 3 张)
- 卖点关键词(20 字内)
- 受众定位(年龄段 + 价格带)
- 禁忌词清单(品牌避讳/敏感词)

填得齐的客户,AI 出片质量直接高一档。

SOP 3:人设/音色/字幕样式锁人头

30 客户最怕产出"一个模子刻出来"的视频。我们给每个客户固化:

• 数字主播形象(从 20+ 商用形象里选)
• 音色(11 种中文音色 + 方言)
• 字幕样式(字体/位置/颜色统一)
• BGM 风格库(快节奏/治愈/复古)

这套锁完之后,30 客户的视频虽然都是 AI 出的,但风格差异化明显。

五、第 31-60 天:规模化期的 3 个 SOP

第二个月开始爆量。30 客户每周 5 条 → 每周 150 条 → 每月 600 条。

SOP 4:批量 ZIP 模式 + 笛卡尔积 CROSS 模式

三千AI 智能体支持两种批量:

ZIP 模式:多张参考图拉链式配对
        例如 5 个 SKU × 5 个场景图 = 5 次生成(一对一)

CROSS 模式:笛卡尔积交叉
        例如 5 个 SKU × 3 个数字主播 = 15 次生成
        例如 10 个 prompt × 5 个参考图 = 50 次生成

第二个月我们主要用 CROSS 模式。一个 SKU 跑 3 个数字主播 + 3 个画幅,一次拿到 9 条片子,从里面挑最好的 1 条。

SOP 5:失败 0 扣费机制

AI 视频生成失败率不低,大约 5-8%。系统自带"失败 0 扣费":任务失败自动 refund,不需要人工申诉。

第二个月月度生成 600+ 条,失败 40+ 次,等于自动回退 20+ 块。如果是手动申诉,一个月光这件事就要 5 小时人力。

SOP 6:工作时段错峰排队

工作时段(10-18 点)队列会有压力,我们把"次日发布"的视频任务都排到夜间 22-2 点跑,GPU 完全空闲。

策略:
- 当日发布:10:00 - 16:00 实时跑(平均 60 秒/条)
- 次日/未来发布:夜间 22:00 - 02:00 批量跑
- 周一爆量日:周日晚提前 200 条入队

这个错峰之后,工作时段任务等待从 5 分钟降到 30 秒。

六、第 61-90 天:数据飞轮期的 2 个 SOP

第三个月开始追选题效率。月产 1200 条不再是问题,问题是"哪些片子用户更买单"。

SOP 7:数据回流 + 下一期选题

发布完的视频数据(完播率/点赞率/转化率)回流到三千AI 的内容飞轮模块,系统自动提炼下一期选题。

第三个月开始,80% 的选题是系统推的,内容组只需要审一遍。这把人效再提了一倍。

SOP 8:DAG 画布工作流串联多步任务

复杂场景(比如"先生成 6 种风格的样片 → 自动跑投流 → 24 小时后回流数据 → 自动选最优风格批量生产 100 条")用画布 DAG 编排,一次配好可重复跑。

节点 1:输入(商品图 + 卖点)
节点 2-7:并行 6 种风格生成
节点 8:输出到投流系统
节点 9:延迟 24 小时
节点 10:数据回流 + 选最优风格
节点 11:批量复刻 100 条(用最优风格)

整条工作流一次配好,后续每天跑一次,完全无人值守。

七、90 天数据汇总

30 个品牌客户 × 平均每周 5 条 × 12 周 = 1800 条计划
实际产出:3692 条(超额 105%,因为客户加买)

单条平均生产时长:8 分钟(从 3 小时压缩)
月度产出从 200 条 → 1247 条
内容组人数保持 4 人不变

八、踩过的 3 个真坑(避坑指南)

坑 1:第一个月不要拼数量,拼报表

第一个月有 3 个客户因为"AI 出片质量不够好"差点流失。后来发现不是质量问题,是我们没给他们看投流数据。

对策:第一个月每个客户都强制走 SOP 1(7 天试投流闭环),用 ROAS 数据说话。

坑 2:数字主播形象不要全用一个

最开始为了省事,30 客户都用了同一个数字主播形象。第二周抖音判定"重复内容",4 个客户被限流。

对策:走 SOP 3(人设差异化),每个客户绑定不同主播形象 + 音色 + 字幕样式。

坑 3:BGM 版权一定要走平台内置

第三周有 1 个客户私自把视频背景音乐换成了某网红 BGM,被音乐版权方私信投诉。

对策:跟客户签条款"必须用工作台内置版权素材,自加 BGM 风险自担"。三千AI 内置千万级版权素材库,够用。

九、写在最后

90 天前我也不相信 AI 工作台能跑出这么扎实的数据。但跑完这一轮我得说一句:

AI 不是替代你的内容团队,是让 4 个人能干 40 个人的活。

省下来的时间,我们今年 Q3 准备开第二条产品线,做直播口播 IP 矩阵。这件事是 AI 红利给的窗口期,先做先吃。

项目地址

GitHub: https://github.com/2961799660/sanqian_sp
Gitee: https://gitee.com/a2961799660/sanqian_sp
演示站: https://sp.zijie.lol

3D 资产生产同款工作台:https://3d.zijie.lol
AI 智能体 / RAG 知识库:https://ai1.zijie.lol

希望对正在做内容生产的同行有用。